როგორ აძლიერებს AI ინდუსტრიულ მდგრადობას? 

როდესაც ადამიანები საუბრობენ ხელოვნურ ინტელექტსა და მდგრადობაზე, საუბარი ხშირად პირდაპირ ფუტურისტულ ხედვაზე გადადის: ავტონომიური ბადეები, თვით-ოპტიმიზაცია ქალაქები. ფაქტობრივი წარმოების თხრილებში, რეალობა უფრო მკაცრი და დამატებითია. რეალური სტიმული არ არის ადამიანების რობოტებით ჩანაცვლება; ეს ეხება გადაწყვეტილების მიღების გაზრდას ისეთ სისტემებში, რომლებიც ცნობილია ფუჭი და გაუმჭვირვალე. მცდარი მოსაზრებაა, რომ მდგრადობა მხოლოდ ნაკლები ენერგიის გამოყენებაა. ეს უფრო ღრმაა - ეს ეხება რესურსების სისტემურ დაზვერვას, ნედლეულიდან ლოჯისტიკამდე და სწორედ აქ ცვლის თამაშს მანქანური სწავლების მოდელები და არა მხოლოდ ზოგადი ხელოვნური ინტელექტი.

ფონდი: მონაცემთა ერთგულება და ბნელი ქარხნის იატაკი

თქვენ არ შეგიძლიათ მართოთ ის, რისი გაზომვაც არ შეგიძლიათ და წლების განმავლობაში, ინდუსტრიული მდგრადობა იყო გამოცნობა. ჩვენ გვქონდა ენერგიის გადასახადები, დიახ, მაგრამ მე-3 საწარმოო ხაზის კონკრეტულ პარტიასთან მოხმარების ზრდის კორელაცია ხშირად შეუძლებელი იყო. პირველი, არაგლამურული ნაბიჯი არის სენსორის გამრავლება და მონაცემთა ისტორიიზაცია. მე მინახავს მცენარეები, სადაც მარტივი ვიბრაციისა და თერმული სენსორების დაყენება ძველ კომპრესორულ სისტემებზე გამოავლინა ციკლური არაეფექტურობა, რამაც გააფუჭა მათი ენერგიის მოხმარების 15%. ხელოვნური ინტელექტის გაძლიერება აქ იწყება: ენერგიისა და მატერიალური ნაკადების მაღალი ერთგულების ციფრული ტყუპის შექმნა. ამ საფუძვლის გარეშე, ნებისმიერი მდგრადობის მოთხოვნა მხოლოდ მარკეტინგია.

ეს არ არის plug-and-play. ყველაზე დიდი დაბრკოლება არის მონაცემთა სილოსები. წარმოების მონაცემები განთავსებულია MES-ში, ხარისხის მონაცემები სხვა სისტემაში და ენერგიის მონაცემები კომუნალური მრიცხველიდან. დროში სინქრონიზებული ხედის მიღება კოშმარია. ჩვენ თვეები დავხარჯეთ პროექტზე, მხოლოდ მონაცემთა მილსადენის აშენებამდე, სანამ რაიმე მოდელის მომზადებას მოხდებოდა. მთავარი იყო არა ლამაზი ალგორითმი, არამედ მონაცემთა ძლიერი ონტოლოგია - ყველა მონაცემთა წერტილის კონტექსტის მონიშვნა (მანქანის ID, პროცესის ნაბიჯი, პროდუქტის SKU). ეს არის ის, რაც იძლევა შემდგომში მნიშვნელოვანი მდგრადობის ანალიზის საშუალებას.

განვიხილოთ შესაკრავების მწარმოებელი, როგორიცაა Handan Zitai Fastener წარმოების კომპანია, შპს.. მათი პროცესი მოიცავს შტამპირებას, ძაფების დამუშავებას, თერმულ დამუშავებას და დაფარვას. თითოეულ საფეხურს აქვს სხვადასხვა ენერგეტიკული პროფილი და მასალის მოსავლიანობა. მათი ღუმელების ინსტრუმენტებითა და აბაზანების მოპირკეთებით, მათ შეეძლოთ გადავიდნენ ყოველთვიური სარგებლობის საშუალოდან თითო კილოგრამზე გამომავალი ენერგიის ღირებულებაზე. ეს საბაზისო ხაზი კრიტიკულია. ის აქცევს მდგრადობას კორპორატიული KPI-დან საწარმოო ხაზის ცვლადად, რომელზეც სართულის მენეჯერს რეალურად შეუძლია გავლენა მოახდინოს.

პროგნოზირებადი მოვლა: დაბალი ჩამოკიდებული ხილი ღრმა ფესვებით

ამაზე დისკუსიების უმეტესობა იწყება შეფერხების თავიდან აცილებით. მდგრადობის კუთხე უფრო დამაჯერებელია: კატასტროფული მარცხი ხარჯავს ენერგიას და მასალებს. მაღალი ბრუნვის შტამპის პრესაში ჩავარდნილი საკისარი უბრალოდ არ იშლება; ეს იწვევს არასწორ განლაგებას კვირების განმავლობაში, რაც იწვევს არასპეციფიკურ ნაწილებს (მატერიალური ნარჩენები) და ენერგიის მოხმარების გაზრდას. ჩვენ განვახორციელეთ ვიბრაციის ანალიზის მოდელი საავტომობილო სისტემებისთვის, რომელიც არა მხოლოდ იწინასწარმეტყველებდა წარუმატებლობას, არამედ იდენტიფიცირებდა არაოპტიმალური შესრულების მდგომარეობებს. ეს არის დახვეწილი ნაწილი. მოდელმა დააფიქსირა ტუმბო, რომელიც ჯერ კიდევ ფუნქციონირებდა, მაგრამ დაკარგა 8% ეფექტურობა, რაც იმას ნიშნავს, რომ ის უფრო მეტ დენს ატარებდა იმავე სამუშაოს შესასრულებლად. მისი შეკეთება დაზოგავს ენერგიას და გახანგრძლივებს ძრავის სიცოცხლეს, რაც ამცირებს ჩანაცვლებულ ნახშირბადს.

მარცხი იყო იმის ვარაუდი, რომ ყველა მოწყობილობას სჭირდებოდა იგივე მონიტორინგი. ჩვენ ზედმეტად დავაყენეთ მთელი ასამბლეის ხაზი, რომელიც ძვირი ღირდა და ხმაურიან მონაცემებს წარმოქმნიდა. ჩვენ ვისწავლეთ ვიყოთ ქირურგიული: ფოკუსირება მაღალი ენერგიის მომხმარებლებზე და კრიტიკული ხარისხის კვანძებზე. ისეთი კომპანიისთვის, როგორიც არის Zitai, რომლის მდებარეობა ძირითად სატრანსპორტო მარშრუტებთან, როგორიცაა პეკინი-გუანჯოუს რკინიგზა, გულისხმობს ფოკუსირებას ლოგისტიკის ეფექტურობაზე, მსგავსი პროგნოზირებადი მოდელების გამოყენება მათი HVAC და შეკუმშული ჰაერის სისტემებზე - ხშირად ქარხნის ყველაზე დიდი ენერგიის გადინება - გამოიღებს ნახშირბადის პირდაპირ დაზოგვას. The Zitai შესაკრავები ვებგვერდი ხაზს უსვამს მათ წარმოების მასშტაბებს; ამ მოცულობით, შეკუმშული ჰაერის გაჟონვის 2%-ით შემცირება, გამოვლენილი ჰაერის ნაკადის მოდელით, ითარგმნება მასიური ფინანსური და გარემოსდაცვით ანაზღაურებამდე.

აქაც არის კულტურული ცვლილება. მოდელის რეკომენდაცია შეცვალოს ნაწილი, რომელიც კარგად გამოიყურება, მოითხოვს ნდობას. ჩვენ მოგვიწია ავაშენოთ მარტივი დაფები, რომლებიც აჩვენებდნენ პროგნოზირებულ ენერგეტიკულ ნარჩენებს კვტ/სთ-ში და დოლარებში, რათა შენარჩუნების გუნდებისგან შეძენის მიღება მოგვეპოვებინა. ეს ხელშესახებობა გადამწყვეტია შვილად აყვანისთვის.

პროცესის ოპტიმიზაცია: დადგენილ წერტილებს მიღმა

პროცესის ტრადიციული კონტროლი იყენებს PID მარყუჟებს დაყენებული წერტილის შესანარჩუნებლად, როგორიცაა ღუმელის ტემპერატურა. მაგრამ რა არის ოპტიმალური დაყენების წერტილი მოცემული პარტიისთვის? ეს დამოკიდებულია გარემოს ტენიანობაზე, ნედლეულის შენადნობის ცვალებადობაზე და სასურველ დაჭიმულობაზე. მანქანური სწავლის მოდელებს შეუძლიათ ამის დინამიურად ოპტიმიზაცია. თერმული დამუშავების პროცესში, ჩვენ გამოვიყენეთ გამაგრების სწავლის მოდელი, რათა ვიპოვოთ მინიმალური ტემპერატურული რამპი და დატენვის დრო, რომელიც საჭიროა მეტალურგიული მახასიათებლების მისაღწევად. შედეგი იყო ბუნებრივი აირის მოხმარების 12%-ით შემცირება თითო პარტიაზე, ხარისხზე კომპრომისის გარეშე.

დაჭერა? თქვენ ყურადღებით უნდა განსაზღვროთ ჯილდოს ფუნქცია. თავდაპირველად, ჩვენ ოპტიმიზირებული ვიყავით მხოლოდ ენერგიისთვის და მოდელი გვთავაზობდა უფრო დაბალ ტემპერატურას, რაც უნებლიედ ზრდიდა კოროზიის მაჩვენებელს მოგვიანებით მოპირკეთების ეტაპებზე - ცვლის გარემოს ტვირთს. ჩვენ მოგვიწია მრავალპროფილიანი ოპტიმიზაციის ჩარჩოს მიღება, ენერგიის დაბალანსება, მასალის მოსავლიანობა და პროცესის ქვედა დინების სიცოცხლისუნარიანობა. ეს ჰოლისტიკური შეხედულება არის ნამდვილი ინდუსტრიული მდგრადობის არსი; ის თავიდან აიცილებს ერთი სფეროს სუბოპტიმიზაციას მეორის ხარჯზე.

სტანდარტული ნაწილების წარმოების ბაზისთვის, ასეთი ოპტიმიზაცია ათასობით ტონა გამომავალზე არის მაკრო გავლენა. იგი გადააქვს მდგრადობას ქვაბის ოთახიდან წარმოების ძირითად რეცეპტში.

მიწოდების ჯაჭვი და ლოგისტიკა: ქსელის ეფექტი

აქ არის ხელოვნური ინტელექტის პოტენციალი, როგორც დიდი, ასევე იმედგაცრუებული. ქარხანა შეიძლება იყოს ჰიპერეფექტური, მაგრამ თუ მისი მიწოდების ჯაჭვი უსარგებლოა, წმინდა მოგება შეზღუდულია. AI ზრდის მდგრადობას აქ ინტელექტუალური მარშრუტიზაციისა და ინვენტარის პროგნოზირების გზით. ჩვენ ვიმუშავეთ პროექტზე შემომავალი ლოგისტიკის ოპტიმიზაციისთვის ნედლი ფოლადის ხვეულისთვის. მიმწოდებლის მდებარეობების, წარმოების განრიგის და ტრაფიკის მონაცემების ანალიზით, მოდელმა წარმოქმნა მიწოდების ფანჯრები, რომლებიც ამცირებდნენ სატვირთო მანქანის უმოქმედობის დროს და იძლეოდნენ უფრო სრულ დატვირთვას. ამან შეამცირა Scope 3 ემისიები როგორც მწარმოებლისთვის, ასევე მომწოდებლისთვის.

იმედგაცრუება მოდის მონაცემთა გაზიარებით. მომწოდებლებს ხშირად არ სურთ რეალურ დროში სიმძლავრის ან მდებარეობის მონაცემების გაზიარება. გარღვევა მოვიდა არა უფრო რთული ალგორითმით, არამედ მარტივი ბლოკჩეინზე დაფუძნებული წიგნით (ნებადართულია, არა კრიპტო), რომელიც აღრიცხავდა ვალდებულებებს საკუთრების დეტალების გამოვლენის გარეშე. ნდობა, ისევ და ისევ, ბოსტნეულია.

Handan Zitai Fastener წარმოების კომპანია, შპს.სტრატეგიული მდებარეობა ძირითადი მაგისტრალებისა და სარკინიგზო ხაზების მიმდებარედ არის ბუნებრივი ლოგისტიკური აქტივი. AI-ზე მომუშავე სისტემას შეუძლია გამავალი ლოგისტიკის ოპტიმიზაცია შეკვეთების დინამიკური კონსოლიდაციით და ყველაზე დაბალი ნახშირბადის ტრანსპორტირების რეჟიმის არჩევით (რკინიგზა სატვირთო მანქანების წინააღმდეგ) გადაუდებლობის საფუძველზე, ამ გეოგრაფიული უპირატესობის გამოყენებით, რათა მინიმუმამდე დაიყვანოს ნახშირბადის ნაკვალევი თითო ტვირთზე.

წრიულობა და ხარისხის ინტელექტი

მდგრადობისკენ ყველაზე პირდაპირი გზა არის ნაკლები მასალის გამოყენება და ნაკლები ნარჩენების წარმოქმნა. ხარისხის შემოწმების კომპიუტერული ხედვა საერთოა, მაგრამ მისი კავშირი მდგრადობასთან ღრმაა. ადრე გამოვლენილი ხარვეზი ნიშნავს, რომ ნაწილი შეიძლება გადამუშავდეს ან გადამუშავდეს ქარხანაში, რაც თავიდან აიცილებს ენერგეტიკულ ხარჯებს მისი მომხმარებლამდე მიწოდების, უარის თქმისა და უკან გაგზავნისთვის. უფრო დახვეწილი არის სპექტრალური ანალიზის გამოყენება წარმოების დროს ხარისხის პროგნოზირებისთვის, რაც რეალურ დროში პროცესის კორექტირების საშუალებას იძლევა. ჩვენ ვნახეთ ეს პლასტმასის ხაზში: XRF ანალიზატორი აწვდიდა მონაცემებს მოდელში, რომელიც აკონტროლებდა აბაზანის ქიმიას, ამცირებს მძიმე მეტალის გამოყენებას და ლამის ნარჩენებს 20%-ზე მეტით.

შემდეგ არის წრიული ეკონომიის კუთხე. AI-ს შეუძლია ხელი შეუწყოს მასალის დახარისხებას გადამუშავებისთვის. ლითონის შესაკრავებისთვის, სიცოცხლის ბოლომდე დახარისხება გამოწვევაა. ჩვენ პილოტირდით სისტემას ჰიპერსპექტრული გამოსახულების და CNN-ის გამოყენებით, რათა ავტომატურად დაალაგოთ უჟანგავი გალვანზირებული ფოლადის ჯართი, რაც გაზრდიდა რეციკლირებული საკვების სისუფთავეს და ღირებულებას. ეს ხდის მატერიალური მარყუჟის დახურვას ეკონომიკურად მომგებიანი.

ძირითადი წარმოების ბაზისთვის, ამ ხარისხის ინტელექტის ინტეგრირება მთელს მსოფლიოში სტანდარტული ნაწილი საწარმოო ჯაჭვი ნიშნავს ნაკლებ ხელუხლებელი მასალის მოპოვებას და ნაკლებ ნარჩენს ნაგავსაყრელზე გაგზავნას. ის გარდაქმნის ხარისხის კონტროლს ხარჯების ცენტრიდან მდგრადობის ძირითად დრაივერად.

ადამიანური ფაქტორი და განხორციელების ჭაობი

არცერთი მათგანი არ მუშაობს ხალხის გარეშე. ყველაზე დიდი წარუმატებლობა, რომლის მომსწრეც გავხდი, იყო განათების გამორთვის ოპტიმიზაციის პროექტი, რომელიც ინჟინრებმა დააპროექტეს ვაკუუმში. მოდელები ბრწყინვალე იყო, მაგრამ მათ უგულებელყვეს ოპერატორების მდუმარე ცოდნა, რომლებმაც იცოდნენ, რომ Machine 4 მუშაობს ცხელ დღეებში. სისტემა ჩაიშალა. წარმატება მაშინ მოვიდა, როდესაც ჩვენ ავაშენეთ ჰიბრიდული საკონსულტაციო სისტემები. მოდელი გვთავაზობს დადგენილ წერტილს, მაგრამ ოპერატორს შეუძლია დაამტკიცოს, უარყოს ან დაარეგულიროს იგი, სისტემა სწავლობს ამ გამოხმაურებას. ეს აყალიბებს ნდობას და აძლიერებს ადამიანის ინტუიციას.

განხორციელება არის მარათონი. საჭიროა მოთმინება მონაცემთა ინფრასტრუქტურის ასაშენებლად, თავმდაბლობა ერთი პროცესის ხაზით დასაწყებად და ჯვარედინი ფუნქციონალური გუნდები, რომლებიც აერთიანებს OT, IT და მდგრადობის გამოცდილებას. მიზანი არ არის ბრჭყვიალა AI-ზე დამყარებული პრესრელიზი. ეს არის ასობით მცირე ოპტიმიზაციის არასექსუალური, კუმულაციური ეფექტი: რამდენიმე გრადუსით გაპარსული ღუმელი აქ, სატვირთო მანქანის მარშრუტი შემცირდა იქ, ჯართის პარტია თავიდან აცილებული. ეს არის ის, თუ როგორ აძლიერებს ხელოვნური ინტელექტი ჭეშმარიტად ინდუსტრიულ მდგრადობას - არა აფეთქებით, არამედ მილიონი მონაცემთა წერტილით, რომლებიც ჩუმად წარმართავს უფრო ეფექტურ, ნაკლებად ფუჭად წინსვლას.